CN114330150A - 一种电热传感器互校正的锂电池健康状态估计方法 - Google Patents
一种电热传感器互校正的锂电池健康状态估计方法 Download PDFInfo
- Publication number
- CN114330150A CN114330150A CN202210250522.1A CN202210250522A CN114330150A CN 114330150 A CN114330150 A CN 114330150A CN 202210250522 A CN202210250522 A CN 202210250522A CN 114330150 A CN114330150 A CN 114330150A
- Authority
- CN
- China
- Prior art keywords
- curve
- model
- prediction
- sensor
- peak value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 52
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 52
- 230000036541 health Effects 0.000 title claims abstract description 15
- 238000005485 electric heating Methods 0.000 title claims abstract description 10
- 238000012937 correction Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 39
- 230000032683 aging Effects 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 238000007599 discharging Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 238000004146 energy storage Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Secondary Cells (AREA)
Abstract
本发明涉及动力锂电池应用技术领域,尤其涉及一种电热传感器互校正的锂电池健康状态估计方法,针对当前基于数据驱动的锂电池SOH估计方法仍存在数据获取不确定性,效率不高且使用单一传感器预测导致在传感器故障情况下预测系统失效的问题,现提出如下方案,其中包括以下步骤:S1:建立状态机模型,S2:建立预测模型M1,S3:建立预测模型M2,S4:建立联合估计模型M3,S5:进行判断。本发明使电流传感器和温度传感器进行互校正,实现传感器故障时锂电池SOH的预测。
Description
技术领域
本发明涉及动力锂电池应用技术领域,尤其涉及一种电热传感器互校正的锂电池健康状态估计方法。
背景技术
现今随着能源与环境危机日益加剧,锂电池作为一种灵活便捷供能元件,在电动汽车、电力储能等多个领域发挥着重要作用。然而,随着充放电次数的增加,锂电池会不断老化,导致性能下降。如果不能及时地维护或更换,不仅会对锂电池储能单元的运行状况造成影响,而且容易引起安全事故。因此,准确估计锂电池的健康状态(State of Health,SOH)是保障锂电池储能单元长期稳定运行的关键技术。
当前锂离子电池的SOH预测方法主要分为三类:一是以传统模型为基础的方法,二是数据驱动法,三是模型和数据驱动融合的方法。传统模型的方法需要在实验室内进行大量实验,通过分析电池老化行为,研究电池的退化机理,建立相应的物理模型。使用传统模型为基础的方法估计SOH对实验环境要求较高,同时需要研究人员充分掌握相关领域知识。但由于电池内部电化学机理的复杂性和工作条件的不确定性,建立精确的物理模型难度较大。数据驱动型法通过收集的老化数据,结合人工智能与数据挖掘方法,建立输入与输出数据之间的关系,用于预测锂电池SOH。目前常用的数据驱动方法主要包括:人工神经网络(Artificial Neural Network, ANN )、支持向量机 (Support Vector Machine, SVM )等算法。数据驱动型的方法不要求研究人员深入了解电池的工作原理、电池模型等相关知识,只需要对电池充放电过程数据的检测,就能够建立准确度较高的预测模型。
但是目前现有的估计锂电池的健康状态方法仍存在建立精确的物理模型难度较大,且仅支持单一预测导致预估准确率较低的问题,因此,我们提出一种电热传感器互校正的锂电池健康状态估计方法用于解决上述问题。
发明内容
本发明的目的是为了解决目前现有的锂电池健康状态估计方法仍存在建立精确的物理模型难度较大,且仅使用单一传感器预测导致在传感器故障情况下预测系统失效的问题,而提出的一种电热传感器互校正的锂电池健康状态估计方法。
为了实现上述目的,本发明采用了如下技术方案:
一种电热传感器互校正的锂电池健康状态估计方法,包括以下步骤:
S1:建立状态机模型:
用于多模型的灵活选取,通过判断传感器是否失效,若电流传感器失效,则选用模型M 1进行预测;若温度传感器失效,则选用模型M 2进行预测;若无传感器失效,则选用模型M 3进行预测;
S2:建立预测模型M1:
首先,从锂电池放电过程中获得电压、时间、温度等数据,计算得到差分曲线,经过高斯滤波得到平滑的DT曲线,DT曲线为差分温度曲线。 。在此基础上,定义峰值为曲线纵轴坐标的最大值,峰值下的区域面积为曲线在横轴某一区间上的积分,计算得到DT曲线的峰值和峰值下区域面积,作为老化特征。最后,运用岭回归模型,岭回归方程可以表示为:
岭回归求解:
将上一步骤中得到的DT曲线的老化特征以及电池容量作为训练集输入,得到基于温度传感器SOH预测模型M 1;
S3:建立预测模型M2:
建立电流传感器的单一预测模型M 2:首先,从锂电池放电过程中获得电压、电流、时间等数据,计算得到容量Q对于电压V的导数dQ/dV,经过高斯滤波得到平滑的IC曲线;在此基础上,与步骤S2同理,计算得到IC曲线的峰值和峰值下区域面积,作为老化特征。最后,运用岭回归模型,岭回归代价函数,将上一步骤中得到的IC曲线的老化特征以及电池容量作为训练集输入,得到基于电流传感器的SOH预测模型M 2;
S4:建立联合估计模型M3:
通过前述步骤分别建立了预测模型M 1和M 2后,本发明通过权重的方式实现温度传感器和电流传感器的联合,构造所述的电热传感器互校正的锂电池SOH估计方法;联合估计的权值,通过将训练集输入预测模型M 1和M 2,根据公式(3)分别计算得到预测结果的均方根误差(Root Mean Squared Error, RMSE)RMSE M1和RMSE M2。
设置M 1预测结果PREDICT M1的权值w 1为
优选的,所述S2中,对温度传感器数据进行差分曲线计算,利用锂电池充电曲线中的电压V、温度T和时间t的数据,计算得到温度T对于时间t在采样区间L上的有限差分DTm,计算公式为,其中k为数据对应的时间,且单位为秒,L为选取的采样区间长度,V、 T、 t分别为充电阶段的电压、温度、时间;
优选的,所述S2中,采用高斯滤波对曲线进行处理,其中高斯滤波是一种线性平滑滤波,零均值的一维高斯函数为,其中G(x)为概率,为标准差,同时通过高斯滤波后得到DT曲线,定义DT曲线的横轴变量为V,纵轴变量为DTm进行曲线的峰值和峰值下的区域面积的计算,并定义峰值为曲线纵轴坐标的最大值,峰值下的区域面积为曲线在横轴区间上的积分,通过计算得到DT曲线峰值PEAKM1,将峰值下的区域(A, B)面积记为AREAM1;
优选的,所述S2中,输入训练集数据进行岭回归模型的训练,其中所述岭回归是一种专用于共线性数据分析的有偏估计回归方法,且岭回归方程为,其中n为样本总数,为样本的特征因数,Xn1-Xnn为训练集中第n个样本的第1个至第n个的老化特征,Yn为第n个样本的电池容量,为常量,通过岭回归方程进行岭回归求解,其中岭回归求解公式为,其中为样本的特征因数,为岭系数,I是单位矩阵,X是训练集中的老化特征,y是训练集中的电池容量,同时将得到的PEAKM1,AREAM1和电池容量作为训练集,并运用岭回归模型得到基于温度传感器SOH预测模型M1,
优选的,所述S3中,利用锂电池充电曲线中的电压V、电流I、时间t数据,计算得到容量Q对于电压V的导数dQ/dV,且计算公式为,其中I, V, t分别为充电阶段的电流、电压、时间,时间单位为秒,同时通过高斯滤波得到IC曲线,定义IC曲线的横轴变量为V,纵轴变量为dQ/dV。在此基础上,与步骤S2中运用岭回归模型得到基于温度传感器SOH预测模型M1同理,进行曲线的峰值和峰值下的区域面积的计算,通过计算得到IC曲线峰值PEAKM2将峰值下的区域(A, B)面积记为AREAM2,将PEAKM2,AREAM2和电池容量作为训练集,运用岭回归模型得到基于电流传感器的SOH预测模型M2;
优选的,所述S4中,建立联合估计模型M3,将获得的PEAKM1, AREAM1输入到预测模型M1得到预测结果,并计算其与真实值的均方根误差记为RMSEM1,并将PEAKM2, AREAM2输入到预测模型M2得到预测结果,并计算其与真实值的均方根误差记为RMSEM2,设置M1预测结果PREDICTM1的权值为w1,其中,设置M2预测结果PREDICTM2的权值为w2,其中,w1和w2得到联合估计模型M3,其中联合估计模型M3的预测结果PREDICTM3的计算公式为;
优选的,所述S5中,输入待预测数据判断传感器是否失效,其中通过传感器数据缺失以及趋势上的异常进行判断,并定义H1代表温度传感器的状态,H2代表电流传感器的状态,0代表传感器处于失效状态,1代表传感器处于正常运行状态,且电流传感器失效则选用模型M1进行预测,温度传感器失效则选用模型M2进行预测,无传感器失效则选用模型M3进行预测,同时在电池数据集上进行验证,通过在电池正常运行、电流传感器失效、温度传感器失效三种状态下切换SOH估计,并通过建立的基于电热传感器互校正的SOH联合估计模型,将多个不同类型的锂电池SOH预测模型进行快速切换与联合估计,通过结果验证在传感器故障情况下锂电池SOH预测系统的稳定运行。
与现有技术相比,本发明的有益效果是:
1、通过一个状态机模型和多个预测模型构成锂电池SOH预测系统。引入状态机模型考虑到了电流传感器或温度传感器在某些外部条件下失效的情况,通过实时感知传感器的状态变化,可以快速切换到相应的预测模型,使SOH预测得以正常稳定地进行,提高了SOH预测系统的鲁棒性。
2、预测模型所使用的老化特征可从锂电池的充电过程中获得,在实际应用中容易获取。同时通过使用岭回归方法,避免繁琐的调参过程,提高联合估计模型的运行效率。
本发明的目的是提供一种能够有效应对电流或者温度单一传感器故障的锂电池SOH估计方法,使用岭回归算法分别建立电流、温度传感器对应的预测模型,提出运用状态机理论实现不同类型模型的灵活切换,并通过误差计算自适应调整多模型联合的权重系数,实现传感器故障状态下锂电池SOH的准确估计。
附图说明
图1为本发明提出的一种电热传感器互校正的锂电池健康状态估计方法的流程图;
图2为本发明提出的一种电热传感器互校正的锂电池健康状态估计方法的建立SOH联合估计模型及预测流程图;
图3为本发明提出的一种电热传感器互校正的锂电池健康状态估计方法的状态转换图;
图4为本发明提出的一种电热传感器互校正的锂电池健康状态估计方法的DT曲线或ICA曲线的峰值和峰值下区域面积示意图;
图5为本发明提出的一种电热传感器互校正的锂电池健康状态估计方法的数据集验证结果图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明某一实施例,而不是全部的实施例。
具体实施例
参照图1和图3,一种电热传感器互校正的锂电池健康状态估计方法,包括以下步骤:
S1:建立状态机模型:
用于多模型的灵活选取,通过判断传感器是否失效,若电流传感器失效,则选用模型M 1进行预测;若温度传感器失效,则选用模型M 2进行预测;若无传感器失效,则选用模型M 3进行预测;
S2:建立预测模型M1:
首先,从锂电池放电过程中获得电压、时间、温度等数据,计算得到差分曲线,经过高斯滤波得到平滑的DT,曲线DT曲线为差分温度曲线。在此基础上,定义峰值为曲线纵轴坐标的最大值,峰值下的区域面积为曲线在横轴某一区间上的积分,计算得到DT曲线的峰值和峰值下区域面积,作为老化特征。最后,运用岭回归模型,岭回归方程可以表示为:
岭回归求解:
将上一步骤中得到的DT曲线的老化特征以及电池容量作为训练集输入,得到基于温度传感器SOH预测模型M 1;
S3:建立预测模型M2:
建立电流传感器的单一预测模型M 2:首先,从锂电池放电过程中获得电压、电流、时间等数据,计算得到差分曲线,经过高斯滤波得到平滑的IC曲线,IC曲线为增量容量曲线;在此基础上,与步骤S2同理,计算得到IC曲线的峰值和峰值下区域面积,作为老化特征。最后,运用岭回归模型,岭回归代价函数,将上一步骤中得到的IC曲线的老化特征以及电池容量作为训练集输入,得到基于电流传感器的SOH预测模型M 2;
S4:建立联合估计模型M3:
通过前述步骤分别建立了预测模型M 1和M 2后,本发明通过权重的方式实现温度传感器和电流传感器的联合,构造所述的电热传感器互校正的锂电池SOH估计方法;联合估计的权值,通过将训练集输入预测模型M 1和M 2,根据公式(3)分别计算得到预测结果的均方根误差(Root Mean Squared Error, RMSE)RMSE M1和RMSE M2。
设置M 1预测结果PREDICT M1的权值w 1为
S5:进行判断:输入待预测数据进行判断,并通过判断结果选择模型进行预测;
参照图4,本实施例中,所述S2中,对温度传感器数据进行差分曲线计算,利用锂电池充电曲线中的电压V、温度T和时间t的数据,计算得到温度T对于时间t在采样区间L上的有限差分DTm,计算公式为,其中k为数据对应的时间,且单位为秒,L为选取的采样区间长度,V、 T、 t分别为充电阶段的电压、温度、时间;
本实施例中,所述S2中,采用高斯滤波对曲线进行处理,其中高斯滤波是一种线性平滑滤波,零均值的一维高斯函数为,其中G(x)为概率,为标准差,同时通过高斯滤波后得到DT曲线,定义DT曲线的横轴变量为V,纵轴变量为DTm进行曲线的峰值和峰值下的区域面积的计算,并定义峰值为曲线纵轴坐标的最大值,峰值下的区域面积为曲线在横轴区间上的积分,通过计算得到DT曲线峰值PEAKM1,将峰值下的区域(A,B)面积记为AREAM1;
本实施例中,所述S2中,输入训练集数据进行岭回归模型的训练,其中所述岭回归是一种专用于共线性数据分析的有偏估计回归方法,且岭回归方程为,其中n为样本总数,为样本的特征因数,Xn1-Xnn为训练集中第n个样本的第1个至第n个的老化特征,Yn为第n个样本的电池容量,为常量,通过岭回归方程进行岭回归求解,其中岭回归求解公式为,其中为样本的特征因数,为岭系数,I是单位矩阵,X是训练集中的老化特征,y是训练集中的电池容量,同时将得到的PEAKM1作为训练集,并运用岭回归模型得到基于温度传感器SOH预测模型M1,
本实施例中,所述S3中,利用锂电池充电曲线中的电压V、电流I、时间t数据,计算得到容量Q对于电压V的导数dQ/dV,且计算公式为,其中I, V, t分别为充电阶段的电流、电压、时间,时间单位为秒,同时与步骤S2同理,通过高斯滤波得到IC曲线,定义IC曲线的横轴变量为V,纵轴变量为dQ/dV。在此基础上,与步骤S2中运用岭回归模型得到基于温度传感器SOH预测模型M1同理,进行曲线的峰值和峰值下的区域面积的计算,通过计算得到IC曲线峰值PEAKM2将峰值下的区域(A, B)面积记为AREAM2,将AREAM2作为训练集,运用岭回归模型得到基于电流传感器的SOH预测模型M2;
参照图2,本实施例中,所述S4中,建立联合估计模型M3,将获得的PEAKM1, AREAM1输入到预测模型M1得到预测结果,并计算其与真实值的均方根误差记为RMSEM1,并将PEAKM2,AREAM2输入到预测模型M2得到预测结果,并计算其与真实值的均方根误差记为RMSEM2,设置M1预测结果PREDICTM1的权值为w1,其中,设置M2预测结果PREDICTM2的权值为w2,其中,w1和w2得到联合估计模型M3,其中联合估计模型M3的预测结果PREDICTM3的计算公式为;
参照图5,本实施例中,所述S5中,输入待预测数据判断传感器是否失效,其中通过传感器数据缺失以及趋势上的异常进行判断,并定义H1代表温度传感器的状态,H2代表电流传感器的状态,0代表传感器处于失效状态,1代表传感器处于正常运行状态,且电流传感器失效则选用模型M1进行预测,温度传感器失效则选用模型M2进行预测,无传感器失效则选用模型M3进行预测,同时在电池数据集上进行验证,通过在电池正常运行、电流传感器失效、温度传感器失效三种状态下切换SOH估计,并通过建立的基于电热传感器互校正的SOH联合估计模型,将多个不同类型的锂电池SOH预测模型进行快速切换与联合估计,通过结果验证在传感器故障情况下锂电池SOH预测系统的稳定运行。
以上所述,仅为本发明实施例可选的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种电热传感器互校正的锂电池健康状态估计方法,其特征在于,包括以下步骤:
S1:建立状态机模型:
用于多模型的灵活选取,通过判断传感器是否失效,若电流传感器失效,则选用模型M 1进行预测;若温度传感器失效,则选用模型M 2进行预测;若无传感器失效,则选用模型M 3进行预测;
S2:建立预测模型M 1:
首先,从锂电池放电过程中获得电压、时间、温度数据,计算得到差分曲线,经过高斯滤波得到平滑的DT曲线;DT曲线为差分温度曲线; 在此基础上,定义峰值为曲线纵轴坐标的最大值,峰值下的区域面积为曲线在横轴一区间上的积分,计算得到DT曲线的峰值和区域面积,作为老化特征;最后,运用岭回归模型,岭回归方程可以表示为:
将得到的DT曲线老化特征以及电池容量作为训练集输入,得到基于温度传感器SOH预测模型M 1;
S3:建立预测模型M 2:
建立电流传感器的单一预测模型M 2:首先,从锂电池放电过程中获得电压、电流、时间数据,计算得到IC曲线,IC曲线为增量容量曲线, 经过高斯滤波得到平滑的IC曲线;在此基础上,与步骤S2同理,计算得到IC曲线的峰值和峰值下区域面积,作为老化特征;最后,运用岭回归模型,岭回归代价函数,将得到的IC曲线的老化特征以及电池容量作为训练集输入,得到基于电流传感器的SOH预测模型M 2;
S4:建立联合估计模型M3:
通过前述步骤分别建立了预测模型M 1和M 2后,通过权重的方式实现温度传感器和电流传感器的联合,构造所述的电热传感器互校正的锂电池SOH估计方法;联合估计的权值,通过将训练集输入预测模型M 1和M 2,分别计算得到预测结果的均方根误差RMSE M1和RMSE M2;均方根误差计算公式为:
yi为第i个样本的电池容量;利用RMSE对两个模型输出的预测结果进行赋权并相加,得到联合估计模型M 3;
设置M 1预测结果PREDICT M1的权值w 1为:
设置M 2预测结果PREDICT M2的权值w 2为:
联合估计模型M 3的预测结果PREDICT M3为:
S5:进行判断:输入待预测数据进行判断,并通过判断结果选择模型进行预测。
4.根据权利要求1所述的一种电热传感器互校正的锂电池健康状态估计方法,其特征在于,所述S2中,输入训练集数据进行岭回归模型的训练,其中所述岭回归是一种专用于共线性数据分析的有偏估计回归方法,且岭回归方程为,其中n为样本总数,为样本的特征因数,Xn1-Xnn为训练集中第n个样本的第1个至第n个的老化特征,Yn为第n个样本的电池容量,为常量,通过岭回归方程进行岭回归求解,其中岭回归求解公式为,其中为样本的特征因数,为岭系数,I是单位矩阵,X是训练集中的老化特征,y是训练集中的电池容量,同时将得到的PEAKM1, AREAM1和电池容量作为训练集,并运用岭回归模型得到基于温度传感器SOH预测模型M1。
5.根据权利要求1所述的一种电热传感器互校正的锂电池健康状态估计方法,其特征在于,所述S3中,对电流传感器的数据进行计算得到IC曲线,利用锂电池充电曲线中的电压V、电流I、时间t数据,计算得到容量Q对于电压V的导数dQ/dV,且计算公式为,其中I, V, t分别为充电阶段的电流、电压、时间,时间单位为秒,进而通过高斯滤波得到IC曲线,定义IC曲线的横轴变量为V,纵轴变量为dQ/dV,并进行曲线的峰值和峰值下的区域面积的计算,通过计算得到IC曲线峰值PEAKM2将峰值下的区域面积记为AREAM2,将 PEAKM2, AREAM2和电池容量作为训练集,运用岭回归模型得到基于电流传感器的SOH预测模型M2。
7.根据权利要求1所述的一种电热传感器互校正的锂电池健康状态估计方法,其特征在于,所述S5中,输入待预测数据判断传感器是否失效,其中通过传感器数据缺失以及趋势上的异常进行判断,并定H1代表温度传感器的状态,H2代表电流传感器的状态,0代表传感器处于失效状态,1代表传感器处于正常运行状态;电流传感器失效则选用模型M1进行预测,温度传感器失效则选用模型M2进行预测,无传感器失效则选用模型M3进行预测。
8.根据权利要求1所述的一种电热传感器互校正的锂电池健康状态估计方法,其特征在于,所述S5中,在电池数据集上进行验证,通过在电池正常运行、电流传感器失效、温度传感器失效三种状态下切换SOH估计,并通过建立的基于电热传感器互校正的SOH联合估计模型,将多个不同类型的锂电池SOH预测模型进行快速切换与联合估计,验证在传感器故障情况下该锂电池SOH预测系统运行的稳定性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210250522.1A CN114330150B (zh) | 2022-03-15 | 2022-03-15 | 一种电热传感器互校正的锂电池健康状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210250522.1A CN114330150B (zh) | 2022-03-15 | 2022-03-15 | 一种电热传感器互校正的锂电池健康状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114330150A true CN114330150A (zh) | 2022-04-12 |
CN114330150B CN114330150B (zh) | 2022-05-24 |
Family
ID=81033618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210250522.1A Active CN114330150B (zh) | 2022-03-15 | 2022-03-15 | 一种电热传感器互校正的锂电池健康状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330150B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115184805A (zh) * | 2022-06-21 | 2022-10-14 | 东莞新能安科技有限公司 | 电池健康状态获取方法、装置、设备及计算机程序产品 |
CN116643181A (zh) * | 2022-08-25 | 2023-08-25 | 浙江长兴震革科技有限公司 | 一种蓄电池状态监测系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180321323A1 (en) * | 2016-02-29 | 2018-11-08 | University Of Hawaii | Methods and apparatus for updating a fuel gauge and estimating state of health of an energy storage cell |
CN109310524A (zh) * | 2016-06-23 | 2019-02-05 | 3M创新有限公司 | 具有主动避免声音危险的位置和声音监测传感器的听力防护器 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
US10931643B1 (en) * | 2020-07-27 | 2021-02-23 | Kpn Innovations, Llc. | Methods and systems of telemedicine diagnostics through remote sensing |
EP3879426A1 (en) * | 2020-03-10 | 2021-09-15 | Dassault Systemes Americas Corp. | System and method for determining degradation dependent open cell voltage for cathode materials |
US20210373063A1 (en) * | 2018-09-10 | 2021-12-02 | 3M Innovative Properties Company | Method and system for monitoring a health of a power cable accessory based on machine learning |
US20220024139A1 (en) * | 2020-07-21 | 2022-01-27 | Desprez, Llc | System and method for fabricating a custom face mask |
CN114109630A (zh) * | 2020-08-31 | 2022-03-01 | 盖瑞特动力有限公司 | 用于涡轮增压器性能监视和适配的系统 |
-
2022
- 2022-03-15 CN CN202210250522.1A patent/CN114330150B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180321323A1 (en) * | 2016-02-29 | 2018-11-08 | University Of Hawaii | Methods and apparatus for updating a fuel gauge and estimating state of health of an energy storage cell |
CN109310524A (zh) * | 2016-06-23 | 2019-02-05 | 3M创新有限公司 | 具有主动避免声音危险的位置和声音监测传感器的听力防护器 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
US20210373063A1 (en) * | 2018-09-10 | 2021-12-02 | 3M Innovative Properties Company | Method and system for monitoring a health of a power cable accessory based on machine learning |
EP3879426A1 (en) * | 2020-03-10 | 2021-09-15 | Dassault Systemes Americas Corp. | System and method for determining degradation dependent open cell voltage for cathode materials |
US20220024139A1 (en) * | 2020-07-21 | 2022-01-27 | Desprez, Llc | System and method for fabricating a custom face mask |
US10931643B1 (en) * | 2020-07-27 | 2021-02-23 | Kpn Innovations, Llc. | Methods and systems of telemedicine diagnostics through remote sensing |
CN114109630A (zh) * | 2020-08-31 | 2022-03-01 | 盖瑞特动力有限公司 | 用于涡轮增压器性能监视和适配的系统 |
Non-Patent Citations (6)
Title |
---|
BIXIONG HUANG等: ""Prediction and evaluation of health state for power battery based on Ridge linear regression model"", 《SCIENCE PROGRESS》 * |
BIXIONG HUANG等: ""Prediction and evaluation of health state for power battery based on Ridge linear regression model"", 《SCIENCE PROGRESS》, vol. 104, no. 4, 29 November 2021 (2021-11-29), pages 1 - 16 * |
XIN SUI等: ""A review of non-probabilistic machine learning-based state of health estimation techniques for Lithium-ion battery"", 《APPLIED ENERGY》 * |
XIN SUI等: ""A review of non-probabilistic machine learning-based state of health estimation techniques for Lithium-ion battery"", 《APPLIED ENERGY》, vol. 300, 9 July 2021 (2021-07-09), pages 1 - 22, XP086732148, DOI: 10.1016/j.apenergy.2021.117346 * |
高迪驹等: ""基于Petri网的锂电池故障诊断系统"", 《系统仿真学报》 * |
高迪驹等: ""基于Petri网的锂电池故障诊断系统"", 《系统仿真学报》, vol. 30, no. 2, 28 February 2018 (2018-02-28), pages 614 - 621 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115184805A (zh) * | 2022-06-21 | 2022-10-14 | 东莞新能安科技有限公司 | 电池健康状态获取方法、装置、设备及计算机程序产品 |
CN116643181A (zh) * | 2022-08-25 | 2023-08-25 | 浙江长兴震革科技有限公司 | 一种蓄电池状态监测系统 |
CN116643181B (zh) * | 2022-08-25 | 2024-04-16 | 浙江长兴震革科技有限公司 | 一种蓄电池状态监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114330150B (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113419187B (zh) | 一种锂离子电池健康估计方法 | |
CN114330150B (zh) | 一种电热传感器互校正的锂电池健康状态估计方法 | |
CN105116343B (zh) | 最小二乘支持向量机的动力电池电荷状态估计方法及系统 | |
Zhao et al. | Elman neural network using ant colony optimization algorithm for estimating of state of charge of lithium-ion battery | |
Liu et al. | A method for state of energy estimation of lithium-ion batteries at dynamic currents and temperatures | |
CN108872866B (zh) | 一种锂离子电池荷电状态动态评估与长效预测融合方法 | |
CN105277896B (zh) | 基于elm‑mukf的锂电池剩余寿命预测方法 | |
CN107957562A (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN105717460B (zh) | 一种基于非线性观测器的动力电池soc估计方法和系统 | |
CN115632179B (zh) | 一种锂离子电池智能快速充电方法及系统 | |
CN111948560A (zh) | 基于多因子评估模型的锂电池健康状态估算方法 | |
CN104714188A (zh) | 量测噪声方差阵相匹配的电池电荷状态估计方法与系统 | |
CN110287540B (zh) | 一种基于精英群众差分进化算法的光伏电池参数辨识方法 | |
CN111367349A (zh) | 一种基于预测模型的光伏mppt控制方法及系统 | |
CN112630662A (zh) | 一种基于数据驱动及多参数融合的动力电池soh估算方法 | |
WO2019006995A1 (zh) | 一种电动汽车动力电池soc智能化预测系统 | |
CN115598541B (zh) | 基于遗忘因子自适应反馈修正的电池能量状态评估方法 | |
CN111829688A (zh) | 一种锂离子电池工作过程中的温度场分布预测方法 | |
CN114779107A (zh) | 一种考虑温度影响的锂离子电池soc估计方法 | |
CN111930839A (zh) | 退役动力电池储能装置的配组方法 | |
CN113552490A (zh) | 一种基于休息恢复效应的可重构电池组soc估计方法 | |
CN114928133A (zh) | 一种用于锂离子电池的充电控制方法、系统、设备和介质 | |
CN116047308A (zh) | 一种基于pid控制与dekf的锂电池soc估算方法 | |
CN113466710B (zh) | 含新能源受端电网中储能电池的soc与soh协同估算方法 | |
Liu et al. | Dynamic adaptive square-root unscented Kalman filter and rectangular window recursive least square method for the accurate state of charge estimation of lithium-ion batteries |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |